翻译

翻译将一段文本序列从一种语言转换为另一种语言。它是您可以表述为序列到序列问题的几个任务之一，序列到序列问题是一个强大的框架，可以从输入返回一些输出，例如翻译或摘要。翻译系统通常用于不同语言文本之间的翻译，但它也可以用于语音或两者之间的某种组合，例如文本到语音或语音到文本。

本指南将向您展示如何

在 OPUS Books 数据集的英法子集上微调 T5，以将英语文本翻译成法语。
使用您微调的模型进行推理。

要查看与此任务兼容的所有架构和检查点，我们建议查看任务页面。

在您开始之前，请确保您已安装所有必要的库

pip install transformers datasets evaluate sacrebleu

我们鼓励您登录您的 Hugging Face 帐户，以便您可以上传您的模型并与社区分享。当提示时，输入您的令牌以登录

>>> from huggingface_hub import notebook_login

>>> notebook_login()

加载 OPUS Books 数据集

首先从 🤗 Datasets 库加载 OPUS Books 数据集的英法子集

>>> from datasets import load_dataset

>>> books = load_dataset("opus_books", "en-fr")

使用 train_test_split 方法将数据集拆分为训练集和测试集

>>> books = books["train"].train_test_split(test_size=0.2)

然后查看一个示例

>>> books["train"][0]
{'id': '90560',
 'translation': {'en': 'But this lofty plateau measured only a few fathoms, and soon we reentered Our Element.',
  'fr': 'Mais ce plateau élevé ne mesurait que quelques toises, et bientôt nous fûmes rentrés dans notre élément.'}}

translation：文本的英语和法语翻译。

预处理

下一步是加载 T5 tokenizer 以处理英法语言对

>>> from transformers import AutoTokenizer

>>> checkpoint = "google-t5/t5-small"
>>> tokenizer = AutoTokenizer.from_pretrained(checkpoint)

您要创建的预处理函数需要

为输入添加前缀，以便 T5 知道这是一个翻译任务。一些能够执行多项 NLP 任务的模型需要针对特定任务进行提示。
在 text_target 参数中设置目标语言（法语），以确保 tokenizer 正确处理目标文本。如果您未设置 text_target，则 tokenizer 会将目标文本视为英语。
截断序列，使其长度不超过 max_length 参数设置的最大长度。

>>> source_lang = "en"
>>> target_lang = "fr"
>>> prefix = "translate English to French: "


>>> def preprocess_function(examples):
...     inputs = [prefix + example[source_lang] for example in examples["translation"]]
...     targets = [example[target_lang] for example in examples["translation"]]
...     model_inputs = tokenizer(inputs, text_target=targets, max_length=128, truncation=True)
...     return model_inputs

要将预处理函数应用于整个数据集，请使用 🤗 Datasets map 方法。您可以通过设置 batched=True 来加速 map 函数，以便一次处理数据集的多个元素

>>> tokenized_books = books.map(preprocess_function, batched=True)

现在使用 DataCollatorForSeq2Seq 创建一批示例。在整理期间，将句子动态填充到批次中最长长度，而不是将整个数据集填充到最大长度，这样做效率更高。

Pytorch

隐藏 Pytorch 内容

>>> from transformers import DataCollatorForSeq2Seq

>>> data_collator = DataCollatorForSeq2Seq(tokenizer=tokenizer, model=checkpoint)

TensorFlow

隐藏 TensorFlow 内容

>>> from transformers import DataCollatorForSeq2Seq

>>> data_collator = DataCollatorForSeq2Seq(tokenizer=tokenizer, model=checkpoint, return_tensors="tf")

评估

在训练期间包含指标通常有助于评估模型的性能。您可以使用 🤗 Evaluate 库快速加载评估方法。对于此任务，加载 SacreBLEU 指标（请参阅 🤗 Evaluate 快速入门，以了解有关如何加载和计算指标的更多信息）

>>> import evaluate

>>> metric = evaluate.load("sacrebleu")

然后创建一个函数，将您的预测和标签传递给 compute 以计算 SacreBLEU 分数

>>> import numpy as np


>>> def postprocess_text(preds, labels):
...     preds = [pred.strip() for pred in preds]
...     labels = [[label.strip()] for label in labels]

...     return preds, labels


>>> def compute_metrics(eval_preds):
...     preds, labels = eval_preds
...     if isinstance(preds, tuple):
...         preds = preds[0]
...     decoded_preds = tokenizer.batch_decode(preds, skip_special_tokens=True)

...     labels = np.where(labels != -100, labels, tokenizer.pad_token_id)
...     decoded_labels = tokenizer.batch_decode(labels, skip_special_tokens=True)

...     decoded_preds, decoded_labels = postprocess_text(decoded_preds, decoded_labels)

...     result = metric.compute(predictions=decoded_preds, references=decoded_labels)
...     result = {"bleu": result["score"]}

...     prediction_lens = [np.count_nonzero(pred != tokenizer.pad_token_id) for pred in preds]
...     result["gen_len"] = np.mean(prediction_lens)
...     result = {k: round(v, 4) for k, v in result.items()}
...     return result

您的 compute_metrics 函数现在已准备就绪，您将在设置训练时返回到它。

训练

Pytorch

隐藏 Pytorch 内容

如果您不熟悉使用 Trainer 微调模型，请查看此处的基本教程！

您现在已准备好开始训练您的模型！使用 AutoModelForSeq2SeqLM 加载 T5

>>> from transformers import AutoModelForSeq2SeqLM, Seq2SeqTrainingArguments, Seq2SeqTrainer

>>> model = AutoModelForSeq2SeqLM.from_pretrained(checkpoint)

此时，仅剩下三个步骤

在 Seq2SeqTrainingArguments 中定义您的训练超参数。唯一必需的参数是 output_dir，它指定保存模型的位置。您将通过设置 push_to_hub=True 将此模型推送到 Hub（您需要登录 Hugging Face 才能上传您的模型）。在每个 epoch 结束时，Trainer 将评估 SacreBLEU 指标并保存训练检查点。
将训练参数传递给 Seq2SeqTrainer，以及模型、数据集、tokenizer、数据整理器和 compute_metrics 函数。
调用 train() 以微调您的模型。

>>> training_args = Seq2SeqTrainingArguments(
...     output_dir="my_awesome_opus_books_model",
...     eval_strategy="epoch",
...     learning_rate=2e-5,
...     per_device_train_batch_size=16,
...     per_device_eval_batch_size=16,
...     weight_decay=0.01,
...     save_total_limit=3,
...     num_train_epochs=2,
...     predict_with_generate=True,
...     fp16=True, #change to bf16=True for XPU
...     push_to_hub=True,
... )

>>> trainer = Seq2SeqTrainer(
...     model=model,
...     args=training_args,
...     train_dataset=tokenized_books["train"],
...     eval_dataset=tokenized_books["test"],
...     processing_class=tokenizer,
...     data_collator=data_collator,
...     compute_metrics=compute_metrics,
... )

>>> trainer.train()

训练完成后，使用 push_to_hub() 方法将您的模型共享到 Hub，以便所有人都可以使用您的模型

>>> trainer.push_to_hub()

TensorFlow

隐藏 TensorFlow 内容

如果您不熟悉使用 Keras 微调模型，请查看此处的基本教程！

要在 TensorFlow 中微调模型，首先设置一个优化器函数、学习率计划和一些训练超参数

>>> from transformers import AdamWeightDecay

>>> optimizer = AdamWeightDecay(learning_rate=2e-5, weight_decay_rate=0.01)

然后您可以使用 TFAutoModelForSeq2SeqLM 加载 T5

>>> from transformers import TFAutoModelForSeq2SeqLM

>>> model = TFAutoModelForSeq2SeqLM.from_pretrained(checkpoint)

使用 prepare_tf_dataset() 将您的数据集转换为 tf.data.Dataset 格式

>>> tf_train_set = model.prepare_tf_dataset(
...     tokenized_books["train"],
...     shuffle=True,
...     batch_size=16,
...     collate_fn=data_collator,
... )

>>> tf_test_set = model.prepare_tf_dataset(
...     tokenized_books["test"],
...     shuffle=False,
...     batch_size=16,
...     collate_fn=data_collator,
... )

使用 compile 配置模型以进行训练。请注意，Transformers 模型都具有默认的与任务相关的损失函数，因此您无需指定一个，除非您想要指定

>>> import tensorflow as tf

>>> model.compile(optimizer=optimizer)  # No loss argument!

在开始训练之前，最后两件需要设置的事情是计算来自预测的 SacreBLEU 指标，并提供一种将您的模型推送到 Hub 的方法。这两者都可以通过使用 Keras 回调来完成。

将您的 compute_metrics 函数传递给 KerasMetricCallback

>>> from transformers.keras_callbacks import KerasMetricCallback

>>> metric_callback = KerasMetricCallback(metric_fn=compute_metrics, eval_dataset=tf_test_set)

在 PushToHubCallback 中指定推送模型和 tokenizer 的位置

>>> from transformers.keras_callbacks import PushToHubCallback

>>> push_to_hub_callback = PushToHubCallback(
...     output_dir="my_awesome_opus_books_model",
...     tokenizer=tokenizer,
... )

然后将您的回调捆绑在一起

>>> callbacks = [metric_callback, push_to_hub_callback]

最后，您已准备好开始训练您的模型！调用 fit，并提供您的训练和验证数据集、epoch 数量以及您的回调以微调模型

>>> model.fit(x=tf_train_set, validation_data=tf_test_set, epochs=3, callbacks=callbacks)

训练完成后，您的模型将自动上传到 Hub，以便所有人都可以使用它！

有关如何微调模型以进行翻译的更深入示例，请查看相应的 PyTorch notebook 或 TensorFlow notebook。

推理

太棒了，现在您已经微调了一个模型，您可以将其用于推理！

想出一些您想翻译成另一种语言的文本。对于 T5，您需要根据您正在处理的任务为输入添加前缀。对于从英语到法语的翻译，您应该像下面这样为输入添加前缀

>>> text = "translate English to French: Legumes share resources with nitrogen-fixing bacteria."

尝试使用微调模型进行推理的最简单方法是在 pipeline() 中使用它。使用您的模型实例化翻译的 pipeline，并将您的文本传递给它

>>> from transformers import pipeline

# Change `xx` to the language of the input and `yy` to the language of the desired output.
# Examples: "en" for English, "fr" for French, "de" for German, "es" for Spanish, "zh" for Chinese, etc; translation_en_to_fr translates English to French
# You can view all the lists of languages here - https://huggingface.co/languages
>>> translator = pipeline("translation_xx_to_yy", model="username/my_awesome_opus_books_model")
>>> translator(text)
[{'translation_text': 'Legumes partagent des ressources avec des bactéries azotantes.'}]

如果您愿意，您也可以手动复制 pipeline 的结果

Pytorch

隐藏 Pytorch 内容

标记文本并返回作为 PyTorch 张量的 input_ids

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("username/my_awesome_opus_books_model")
>>> inputs = tokenizer(text, return_tensors="pt").input_ids

使用 generate() 方法创建翻译。有关不同的文本生成策略和用于控制生成的参数的更多详细信息，请查看文本生成 API。

>>> from transformers import AutoModelForSeq2SeqLM

>>> model = AutoModelForSeq2SeqLM.from_pretrained("username/my_awesome_opus_books_model")
>>> outputs = model.generate(inputs, max_new_tokens=40, do_sample=True, top_k=30, top_p=0.95)

将生成的令牌 ID 解码回文本

>>> tokenizer.decode(outputs[0], skip_special_tokens=True)
'Les lignées partagent des ressources avec des bactéries enfixant l'azote.'

TensorFlow

隐藏 TensorFlow 内容

标记文本并返回作为 TensorFlow 张量的 input_ids

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("username/my_awesome_opus_books_model")
>>> inputs = tokenizer(text, return_tensors="tf").input_ids

使用 ~transformers.generation_tf_utils.TFGenerationMixin.generate 方法创建翻译。有关不同的文本生成策略和用于控制生成的参数的更多详细信息，请查看文本生成 API。

>>> from transformers import TFAutoModelForSeq2SeqLM

>>> model = TFAutoModelForSeq2SeqLM.from_pretrained("username/my_awesome_opus_books_model")
>>> outputs = model.generate(inputs, max_new_tokens=40, do_sample=True, top_k=30, top_p=0.95)

将生成的令牌 ID 解码回文本

>>> tokenizer.decode(outputs[0], skip_special_tokens=True)
'Les lugumes partagent les ressources avec des bactéries fixatrices d'azote.'

< > 在 GitHub 上更新